基于深度特征編碼的高光譜圖像分類.pdf

1、隨著高光譜圖像數(shù)據(jù)的應(yīng)用越來越廣泛，其分類問題一直是高光譜圖像研究的重點和難點。
　　首先，本文分析了高光譜圖像數(shù)據(jù)的特性，闡述了當(dāng)前高光譜圖像分類算法的研究方法和科研進展，并對幾類常見的分類算法進行了文獻綜述，介紹了相關(guān)研究背景和研究的意義。接著總結(jié)了當(dāng)前高光譜圖像預(yù)維數(shù)約簡的一些方法，并給出了評價分類算法性能的指標(biāo)分類精度和Kappa系數(shù)的定義。
　　其次，介紹了神經(jīng)網(wǎng)絡(luò)分類器，并給出了深度學(xué)習(xí)算法框架下的棧式自編碼算法

2、的理論基礎(chǔ)和模型構(gòu)建。在此基礎(chǔ)上，針對高光譜圖像數(shù)據(jù)內(nèi)部獨有的結(jié)構(gòu)與潛在的模式，構(gòu)建了基于深度特征編碼的深度學(xué)習(xí)分類算法。更進一步，結(jié)合支持向量機算法，建立了基于深度特征編碼的支持向量機分類算法。
　　再次，在Pavia、KSC高光譜數(shù)據(jù)庫中，對文中建立的模型進行了數(shù)值驗證，對文中提出的基于深度特征編碼的深度學(xué)習(xí)分類算法(DFE)和基于深度特征編碼的支持向量機分類算法(DFE+SVM)與支持向量機分類和棧式自編碼算法進行了比較，文

3、中提出的算法分類精度在 Pavia、KSC數(shù)據(jù)庫中均有優(yōu)異的表現(xiàn)，得到分類精度(96.1％，96.5%；93%，92.3%，Pavia)和kappa系數(shù)(95.6%，96.1%，KSC；93%，91.8%，Pavia)，高出支持向量機和棧式自編碼算法3%左右。
　　在對算法的一些參數(shù)進行了深入分析之后發(fā)現(xiàn)，算法的分類精度和 kappa系數(shù)隨著隱藏層單元數(shù)目的不同發(fā)生變化，數(shù)目為60的時候分類效果最好。隨著網(wǎng)絡(luò)訓(xùn)練參數(shù)epochs的